删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

复杂网络牵制控制优化选点算法及节点组重要性排序

本站小编 Free考研考试/2021-12-29

摘要:本文研究复杂网络动力学模型的无向网络牵制控制的优化选点及节点组重要性排序问题. 根据牵制控制的同步准则, 网络的牵制控制同步取决于网络的Laplacian删后矩阵的最小特征值. 因此, 通过合理选择受控节点集得到一个较大的Laplacian删后矩阵最小特征值, 是牵制控制优化选点问题的核心所在. 基于Laplacian删后矩阵最小特征值的图谱性质, 本文提出了多个受控节点选取的递归迭代算法, 该算法适用于任意类型的网络. 通过BA无标度网络、NW小世界网络及一些实际网络中的仿真实验表明: 该算法在控制节点数较少时, 能有效找到最优受控节点集. 最后讨论了在复杂网络牵制控制背景下节点组重要性排序问题, 提出节点组的重要性排序与受控节点的数目有关.
关键词: 复杂动态网络/
牵制控制/
优化选点算法/
节点组重要性

English Abstract


--> --> -->
近年来, 复杂网络上的控制与优化引起各研究领域的兴趣[1-4]. 在许多现实场景中, 控制一个网络的所有节点几乎是不现实的, 特别在节点数多、连接复杂的大规模网络中. 为了节约控制成本, 可以通过只控制网络的部分节点并利用网络的连通性来达到控制整个网络的目的, 即牵制控制. 该研究方向受到广泛关注, 并取得了许多代表性的进展. 文献[5,6]提出可以通过对网络的部分节点施加控制器来实现整个网络的同步, 并研究了无标度网络的牵制控制, 发现牵制控制度大的节点比随机选点控制所需要的节点少. 文献[7]提出了自适应牵制控制同步判据, 给出了网络中牵制节点的数量和耦合强度的关系式. 文献[8]发现了网络在线性反馈的牵制控制下, 可以通过自适应调整耦合强度使网络达到同步. 文献[9,10]从网络的图谱性质出发, 研究了复杂网络的牵制控制的能控性. 其他扩展性工作还有许多, 这里不再一一赘述. 上述工作主要集中在提出牵制控制同步的准则上, 没有深入研究如何选择控制节点达到网络的优化控制. 至今, 牵制控制如何选择受控节点仍然是没有充分解决的问题, 需进一步理解牵制控制策略与网络结构特征的关系[11].
目前, 有一些工作从网络的拓扑度量出发给出网络牵制控制选点的策略. 比如, 文献[1]提出, 当网络受控节点较少时, 应当优先控制度大的节点, 当受控节点较多时, 应当优先控制度较小的节点. Wang和Chen[5], Song和Cao[12], 以及Ali和Soleyman[13]研究了基于度指标的选点方案, 倾向于控制度最大的节点; Rong等[14]、Jia和Li[15]讨论基于介性中心度(betweenness centrality, BC)的牵制控制方案. 文献[16]提出了一种基于数据流的牵制控制策略, 该策略在实际网络中可以获得与基于BC的牵制方案相似的效果, 但计算量更小. 文献[17]使用K-shell分解法来寻找处于网络中心位置的节点, 发现K-core值更大的节点能更有利于网络传播. 文献[18]提出根据节点的森林距离大小来选择网络的控制节点, 优先选择森林距离较小的节点, 且该策略可以应用在有向网络及非连通网络中. 文献[19]依据矩阵扰动理论得出推论, 可以根据Laplacian矩阵的最大特征值对应特征向量的最大分量选择控制节点, 所得节点对网络Laplacian矩阵的特征值影响最大. 但是, 这些工作都只能从某个或某些拓扑度量出发指导性地建议牵制选点方案, 或者对某类特性的网络提供针对性的建议, 很难给出一个精准的方案, 在实际应用时效果不好把握. 本文在我们前期工作[1]的基础上, 结合Laplacian删后矩阵最小特征值的图谱性质, 提出了牵制控制多个节点的节点组筛选算法, 能精准地找出最优的受控节点集合. 该方法不局限于特定属性的复杂网络, 对任何类型的网络都适用.
先介绍复杂网络动力学模型, 并给出牵制控制同步准则. 考虑如下具有N个节点的连续时间动态网络模型[20], 其中网络的所有节点的自身动力学一致, 网络的状态方程描述如下:
${\dot x_i} = f({x_i}) - c\sum\limits_{j = 1}^N{l_{ij}}P{x_j} + {u_j}({x_1},\cdots,{x_N}), $
其中i=1, 2, ···, N. 在上述方程中, ${x_i} \in \mathbb{R}^n$表示节点i的状态, $ f(·)$描述节点的自身动力学, 正常数c表示网络的全局耦合强度, ${u_i}$是施加在节点i上的控制器, $P \in \mathbb{R}^{n \times n}$是内连耦合矩阵, 它是正定或者半正定的. ${ L_N} = {[{l_{ij}}]_{N \times N}}$为网络的Laplacian矩阵. 本文仅考虑无向网络的情况, 即Laplacian矩阵对角线上的元素为节点的度, 非对角线元素分别根据节点i, j之间是否存在连边而为–1或0.
假设网络的目标状态s(t)满足:
$\dot s(t) = f(s(t)),\;s(0) = {s_0}.$
对复杂网络进行牵制控制的目的是: 通过控制网络中的部分节点, 使得网络中所有节点的状态都趋近于目标状态s(t). 由文献[1]可知, 对于一个无向网络, 当选定其受控节点集时, 可以通过如下代数不等式来判别网络能否通过牵制控制达到同步,
${\lambda _1}({ L_{N - l}}) > {\alpha }/{c},$
其中, l表示受控节点个数; ${ L_{N - l}}$是网络拉普拉斯矩阵${ L_N}$删去受控节点对应行和列所得到的矩阵, 即拉普拉斯矩阵的删后子矩阵, 也称为Grounded-Laplacian矩阵[21], Nl表示删后子矩阵的维数;${\lambda _1}({ L_{N - l}})$表示该删后子矩阵的最小特征值. 此外, 式中α是由节点自身动力学函数$ f(·)$和内连耦合矩阵P决定的, 与网络全局耦合强度c及网络结构无关.
接下来, 提出本文要研究的问题, 即优化(2)式左端项. 当网络的受控节点数$ l $给定时, 如何确定受控节点或者受控节点集, 使得被牵制控制的网络的${\lambda _1}({ L_{N - l}})$最大, 这就是牵制控制优化选点问题. 然而, 寻找网络合适的受控节点集使得${\lambda _1}({ L_{N - l}})$最大化, 这个问题的计算量是庞大的. 计算量主要来自两部分, 第一部分是计算矩阵特征值的复杂度, 第二部分是受控节点的组合数量庞大而造成的复杂度. 特别是牵制控制多个节点的情况, 从所有节点中选择最优的受控节点集$S = \{ {s_1}, {s_2}, \cdots, {s_l}\} ,$从而得到最大的${\lambda _1}({ L_{N - l}})$, 这是一个计算量巨大的NP-hard问题. 现有的研究对于给定的受控节点数l, 仅能对可能的优化控制节点集给出宽泛建议[1]. 例如当受控节点数较少时, 应当优先牵制度大的节点, 当受控节点数较多时, 优先控制度小的节点; 或者仅能给出${\lambda _1}({ L_{N - l}})$的上界及下界拓扑特征估计, 并不能得到精确的最优受控节点集. 本文结合删后矩阵${\lambda _1}({ L_{N - l}})$的几个特征估计式, 推导出网络节点的筛选条件, 提出控制多个节点的牵制控制优化选点算法, 能够在控制节点数较少时准确找出最大${\lambda _1}({ L_{N - l}})$, 并减少${\lambda _1}({ L_{N - l}})$的计算次数.
先介绍本文算法的理论基础及推导过程. 该算法旨在筛除低价值受控节点及受控节点组合, 减少受控节点集${\lambda _1}({ L_{N - l}})$的计算, 从而以较少的计算量得出最优受控节点集.
定理1[1] 假设网络拓扑结构用图G表示. 图G的节点集为$V(G) = \{ 1, \cdots, N\} ,$ 受控节点集$ S \subset V $, 受控节点数为l, 其中${s_1}, \cdots, {s_l}$表示受控节点, 令${p_1},\cdots, {p_{N - l}}$表示未受控的节点, 未受控节点集表示为V/S, 并用符号${\omega _{pj}}$表示受控节点集S到未受控节点${p_j}$的连边数, 则有
${\lambda _1}({ L_{N - l}}) \leqslant \frac{{{\omega _{p1}} + {\omega _{p2}} + \cdot \cdot \cdot + {\omega _{pN - l}}}}{{N - l}}.$
下面对(3)式进行变形, 用符号e表示受控节点集内部连边数(即受控节点与受控节点之间的连边数), ${k_{si}}$表示受控节点${s_i}$的度. 注意到, 有如下关系式成立:
${\omega _{p1}} + {\omega _{p2}} + \cdot \cdot \cdot + {\omega _{pN - l}} = {k_{s1}} + {k_{s2}} + \cdot \cdot \cdot + {k_{sl}} - 2e.$
根据(3)式和(4)式可得
$\begin{split}{\lambda _1}({ L_{N - l}}) \leqslant\;& \frac{{{k_{s1}} + {k_{s2}} + \cdot \cdot \cdot + {k_{sl}} - 2e}}{{N - l}} \\\leqslant \;&\frac{{{k_{s1}} + {k_{s2}} + \cdot \cdot \cdot + {k_{sl}}}}{{N - l}}.\end{split}$
由此得到能减少最优${\lambda _1}({ L_{N - l}})$的计算次数的一个过滤条件. (5)式基于节点度进行筛选, 即寻找一个节点集, 使节点总度满足该式. 而在实际网络中, 对于某些度较小的节点, 即使将其搭配度最大的前l – 1个节点, 所组成的节点集可能也无法满足条件, 因此这种度小的节点无需考虑, 这就是节点初步筛选的依据, 即节点度不满足下式的节点将直接被排除:
$k \geqslant (N - l) \times \lambda _1^* - \sum\limits_{i = 1}^{l - 1} {{k_i}}, $
其中$\lambda _1^*$是当前得到的${\lambda _1}({ L_{N - l}})$最大值. 此步骤将多个节点总度的判断转化成了对单个节点度的判断, 有效减少低价值节点的配对组合的计算.
其次, 假设通过初步筛选之后剩余了n个节点, 在这n个节点中满足不等式(5)的节点组合, 理论上有$R = C_n^l$种, 从这些组合中寻找最优组合仍然计算量较大. 但往往在剩余n个节点中有大部分都是度较小的节点, 它们基本只能和度最大的节点组成满足条件(5)式的组合. 根据排列组合可知, 在剩余n个节点中找到l个满足度筛选条件的节点组合可以分为两部分: 第一部分是包含度最小节点的组合, 组合数有$\sum\limits_{i = 1}^w {(C_m^i \times C_{n - m}^{l - i})} $种, 其中w = min(l, m), m表示当前最小度节点的个数; 第二部分是不包含度最小的节点的组合, 组合数有$C_{n - m}^l$种. 这两部分的组合数用公式表示如下:
$C_n^l = \sum\limits_{i = 1}^w {(C_m^i \times C_{n - m}^{l - i})} + C_{n - m}^l,$
其中$C_n^l$是从剩余n个节点中选择l个节点的组合数量, $\sum\limits_{i = 1}^w {(C_m^i \times C_{n - m}^{l - i})} $表示包含当前度最小节点的组合, 但实际上此部分组合中满足条件(5)的组合数量远小于理论值$\sum\limits_{i = 1}^w {(C_m^i \times C_{n - m}^{l - i})} $, 因而可以优先将带有度较小节点且满足(5)式的组合列出, 然后不用再考虑带有最小度节点的组合, 以缩减待考虑组合的数量. 另外, $C_{n - m}^l$表示不包含当前度最小的节点的组合数, 此部分组合也并非全部满足筛选条件(5)式. 上述两部分均可继续递归计算. 类似(7)式的分析, 能将$R = C_n^l$的NP-hard问题逐步递归分解, 且递归的最大栈深不超过剩余节点中度互不相同的数量. 相比于一般的穷尽法(列出所有的组合$C_n^l$, 再一一计算排除), 本文所提出的递归算法能极大地减少计算量及内存消耗.
牵制控制多个节点算法最优${\lambda _1}({ L_{N - l}})$的计算算法具体实现如下: 在节点组合筛选过程中, 首先选择l个节点作为初始受控节点, 通常选择度排序中的前l个节点. 计算控制这l个节点的${\lambda _1}({ L_{N - l}})$作为筛选标准${\lambda ^*}$, 根据(3)式有
${\lambda ^*} \leqslant \frac{{k_{s1}^* + k_{s2}^* + \cdot \cdot \cdot + k_{sl}^* - 2{e^*}}}{{N - l}}.$
如果控制节点集$\{ {s_1}, {s_2}, \cdots, {s_l}\}$要得到一个更大的${\lambda _1}({ L_{N - l}})$, 即
${\lambda _1}({ L_{N - l}}) > {\lambda ^*},$
则必须有
$\frac{{{k_{s1}} + {k_{s2}} + \cdot \cdot \cdot + {k_{sl}} - 2e}}{{N - l}} > {\lambda ^*},$
$\frac{{{k_{s1}} + {k_{s2}} + \cdot \cdot \cdot + {k_{sl}}}}{{N - l}} > {\lambda ^*}.$
(10)式和(11)式即是筛选控制节点集的依据. 只要在后续节点集${\lambda _1}({ L_{N - l}})$计算中得到一个更大的${\lambda _1}({ L_{N - l}})$, 则将这个${\lambda _1}({ L_{N - l}})$当作新的$ {\lambda }^{*} $来筛选剩余节点集. 最终对所有剩余组合计算筛选后得到的${\lambda ^*}$即为最优${\lambda _1}({ L_{N - l}})$.
需要说明的是, 筛选条件(11)式计算简单, 仅需要知道节点的度即可. 而筛选条件(10)式计算量相对大些, 还需要计算受控节点集的内部连边数, 比筛选条件(11)式准确程度更高. 所以在实际仿真中, 可以结合两者实现计算复杂度和精准程度上的平衡, 也可以只采用其中的一个式子. 基于以上实现过程, 现将选取多个牵制节点的算法列出如下.
算法1
步骤1 选择度排名前l的节点当作初始控制节点, 然后计算其特征值${\lambda _1}({ L_{N - l}})$作为${\lambda ^*}$;
步骤2 将${\lambda ^*}$代入(6)式, 通过节点的度筛除不能满足(6)式的节点;
步骤3 递归计算剩余节点中的满足条件(11)的节点组合;
步骤4 在第3步的基础上, 计算剩余节点中的满足条件(10)的节点组合;
步骤5 逐个计算剩余节点组合对应的删后矩阵的${\lambda _1}$, 如果计算出更大的${\lambda _1}({\lambda _1} > {\lambda ^*})$, 则将其当作新的筛选标准, 返回第2步继续迭代;如果未找到更大的${\lambda _1}$, 则当前${\lambda ^*}$即是最优${\lambda _1}({ L_{N - l}})$, 当前控制节点集即是最优控制节点集.
本节将上述选点算法分别运用到生成网络如无标度网络、小世界网络, 以及真实数据网络如Email网络、Dolphin网络. 通过数值仿真说明所提算法减少计算量的有效性, 通过与其他选点算法的对比说明算法1相较于其他选点策略在选择${\lambda _1}({ L_{N - l}})$较大的节点集时更优.
2
4.1.算法初步应用和最优控制节点集的讨论
-->例1 考虑参数设置为N = 1000, q = 5的一个BA无标度网络, 该网络以5个节点的环状图作为初始网络, 每次增加一个新的节点, 且依照度优先连接策略连接到网络中已有的q个节点上. 生成的BA网络见图1. 根据本文的算法, 将受控节点数l从2增加到4, 来观察最优受控节点集的情况. 节点的度排序情况见表1.
图 1 生成的BA网络. 不同颜色代表节点的度的大小, 红色表示度大的节点, 蓝色表示度小的节点
Figure1. A generated BA network. Different colors represent different node-degrees in the network; nodes in red have relative large degrees, and nodes in blue have small degrees.

节点的度1281221039887867563605853515149474342
节点编号2113181948143121171063342013


表1节点度排序及节点编号(BA网络, N = 1000, q = 5)
Table1.Degree ordering and node numbering in a BA network with N = 1000 and q = 5.

牵制控制两个节点, 即l = 2的情况. 如果枚举法需计算499500次998阶矩阵的最小特征值. 根据算法1, 首先选择节点集合{2, 11}控节点集, 计算此时的${\lambda _1}({ L_{N - l}})$, 以此${\lambda ^*} = 0.1986$作为初始的筛选标准, 可以得到节点{2, 11, 3, 18, 1, 9, 4}满足条件(6)式, 然后依次计算节点组合的${\lambda _1}({ L_{N - l}})$, 发现遍历所有的组合也没有得到更大的${\lambda _1}({ L_{N - l}})$, 则最初的${\lambda ^*} = 0.1986$为最优的${\lambda _1}({ L_{N - l}})$, 节点集合{2, 11}为牵制控制两个节点时的最优受控节点集合.
牵制控制三个节点, 即l = 3情况. 如果采用枚举法需计算166167000次997阶矩阵的最小特征值. 根据算法1, 首先选择节点集合{2, 11, 3}作为初始的受控节点集合, 计算此时的${\lambda ^*} = 0.3046$, 以此${\lambda ^*}$作为初始的筛选标准, 可以得到节点{2, 11, 3, 18, 1, 9, 4, 8, 14, 31}满足条件(6)式, 然后依次计算节点组合的${\lambda _1}({ L_{N - l}})$, 发现节点组合{2, 3, 18}的${\lambda _1}({ L_{N - l}}) = 0.3155$更大, 然后将此${\lambda _1}({ L_{N - l}})$作为新的${\lambda ^*}$再进行筛选节点, 最终未能发现更大的${\lambda _1}({ L_{N - l}})$, 即此时的节点集合{2, 3, 18}即为牵制控制三个节点时的最优受控节点集合.
牵制控制四个节点, 即l=4情况. 根据算法1, 首先选择节点集合{2, 11, 3, 18}作为初始的受控制节点集, 计算此时的${\lambda ^*} = 0.3894$, 以此${\lambda ^*}$作为初始的筛选标准, 发现节点的度排序前17的节点都满足筛选条件(6), 依次计算节点组合的${\lambda _1}({ L_{N - l}})$, 发现节点集合{2, 11, 18, 9}的${\lambda _1}({ L_{N - l}}) = 0.3963$更大, 且将其作为新的筛选标准后, 没有发现更大的${\lambda _1}({ L_{N - l}})$, 即此时的节点集合{2, 11, 18, 9}即为牵制控制四个节点时的最优受控节点集合.
从上面的实验结果可以看出, 当受控节点数由少变多时, 比如从控制3个节点增加到控制4个节点时, 最优受控节点组合分别是{2, 3, 18}、{2, 11, 18, 9}, 优化的受控节点集合不是在控制3个节点的优化组合上加上一个节点, 而是在原有的基础上有所删减、有所变化的节点集合. 这就说明, 当受控节点数目l增加时, 最优受控节点集不能通过贪心选点策略得出.
2
4.2.算法1减少优化$\lambda_{1}\left( L_{N-l}\right)$的计算量的有效性分析
-->为了客观评价本文算法减少计算量的效果, 这里给出两个指标:首次筛选剩余节点n(算法1第二步), 度筛选后剩余节点组合R(算法1第三步). 这两个指标能体现算法1在筛选中的效果. 这两个指标的计算结果均为10次重复实验取平均.
1) 首次筛选剩余节点数n相关仿真结果及分析
n表示首次筛选(算法1第二步)后剩余的节点数, 实验结果在表2中列出. n是一个重要的指标, 它很大程度决定了本文算法的计算复杂度, 因为${\lambda _1}({ L_{N - l}})$理论计算次数$C_n^l$与剩余节点n关系很大. 如果首次筛选不能将n缩减到100个节点左右的范围, 则待考虑的节点组合仍然会非常多, 后续的计算量比较大. 简而言之, n越小算法效果越好. 由表2可见, 随着受控节点数l从2增加到6, 剩余节点数n增加; 随着连边数q减少或者连接概率P减少, 剩余节点数n随之增加. 但实际上, 通过步骤3计算后的剩余节点组合远小于$C_n^l$. 因为即使是通过首次筛选后的节点, 它们当中度较小的节点也占相当大的比例, 它们往往只能搭配极少数度大的节点. 因此在$C_n^l$种组合中, 绝大部分组合都不满足条件, 详细见后文剩余节点组合R对应的实验数据.
网络参数l = 2l = 3l = 4l = 5l = 6
NW: N = 1000, P = 0.053.911.930.351.089.1
NW: N = 1000, P = 0.02511.327.953.4132.9216.1
BA: N = 1000, q = 105.713.218.622.138.4
BA: N = 1000, q = 86.714.222.551.2176.3
BA: N = 1000, q = 57.115.367.1177.51000
BA: N = 1000, q = 310.255.71000.01000.01000.0


表2通过步骤2筛选后的剩余节点数n
Table2.Number of remaining nodes n after Step 2 in Algorithm 1.

2) 剩余节点的组合数量R相关仿真结果及分析
R表示通过算法1第三步筛选后的节点组合数量. 指标R${\lambda _1}({ L_{N - l}})$的实际计算次数的上限, 因为即使后续组合没有计算出更大的${\lambda _1}({ L_{N - l}})$来实现又一轮的节点组合筛选, 也仅需将剩余组合全部计算. 如果后续计算中得到了更大的${\lambda _1}({ L_{N - l}})$, 并依据算法1第二、三步再筛选掉一部分节点组合, 则计算次数将更少. 从表3中可以看到满足条件的组合数R远小于$C_n^l$, 这也说明了相比于穷举法, 本文的递归算法是有效的, 筛除了大量低价值节点组合.
网络参数l = 2l = 3l = 4l = 5l = 6
NW: N = 1000, P = 0.055.133.3216.11136.54245.8
NW: N = 1000, P = 0.02518.2215.61009.51.1 × 1044.7 × 104
BA: N = 1000, q = 103.311.534.3163.11801.6
BA: N = 1000, q = 86.316.383.8233.52583.7
BA: N = 1000, q = 521.669.5306.52203.82.4 × 104
BA: N = 1000, q = 325.3307.34376.22.2 × 1054.5 × 106


表3通过步骤3筛选后剩余节点的组合数量R
Table3.Number of combinations R of remaining nodes after Step 3 in Algorithm 1.

2
4.3.本文算法与其他选点策略的对比
-->本节将对当前常用牵制控制选点策略与本文算法运用在实际网络中, 进行算法选点效果的对比. 首先介绍当前常用选点策略. 1)度选点算法. 依据节点度排序来选择受控节点, 该算法无需额外计算量, 故通常在控制多个节点时, 采用度选点算法比较方便. 2) BC (betweenness centrality[14])选点策略. 该策略基于介数中心度选点, 旨在找出位于网络的重要路径上的节点. 3) K-shell算法[22], 选取K-core值大的节点. 4)最近提出的基于ESI指标的算法[19]. 5)本文算法, 筛选计算出最优${\lambda _1} ({ L_{N - l}})$及受控节点.
将以上5种策略运用在实际网络Dolphin网络及Email网络[23]中, 不同策略所得的选点及相应的${\lambda _1}({ L_{N - l}})$表4表5所示. 表4表5的实验结果表明: 本文算法得到的${\lambda _1}({ L_{N - l}})$保持最优. 这验证了本文算法相比于其他算法更优. 另外, 把受控节点分布情况进行了可视化展示, 见图2图3. 图中蓝色节点为未受控节点, 黄色节点(Dolphin网络中)及红色节点(Email网络中)为受控节点, 节点尺寸越大, 表示节点度越大. 图2为Dolphin网络的情况, 4个子图(图2(a)图2(d))给出了当受控节点数l = 5, 分别运用度算法、BC算法、K-shell算法、本文算法得到的受控节点分布情况. 图3给出Email网络的情况. 从上述网络选点情况可见, 度选点策略通常难以分辨节点的相对位置, 而不能准确地找到最优牵制控制节点集. BC选点策略擅长寻找到关键路径上的节点, 而这样的节点容易在一条关键路径上前后成群出现, 也不够准确找到最优牵制控制的节点集. K-shell选点策略擅长寻找在网络中的相对中心位置的节点, 集中性强, 当节点数较多时, 对网络边缘节点控制较差. ESI算法是根据网络Laplacian矩阵的某个特征向量来选点, 故而其选点策略在节点的拓扑特征上不好分析, 但从实验结果发现该算法的效果不太稳定. 本文所提算法能够准确计算出控制节点数量较少时的最优受控节点, 这样的节点往往度较大, 在网络中的位置也相对分散, 是牵制控制的最优节点集.
受控
节点数
度算法BC算法K-shell算法ESI算法本文算法
l = 2(15, 46)
${\lambda _1} = 0.1001$
(37, 2)
${\lambda _1} = 0.1376$
(19, 30)
${\lambda _1} = 0.0828$
(15, 38)
${\lambda _1} = 0.0995$
(15, 18)
${\lambda _1} = 0.2549$
l = 3(15, 46, 38)
${\lambda _1} = 0.1053$
(37, 2, 41)
${\lambda _1} = 0.2344$
(19, 30, 46)
${\lambda _1} = 0.0935$
(15, 38, 46)
${\lambda _1} = 0.1053$
(15, 14, 46)
${\lambda _1} = 0.3664$
l = 4(15, 46, 38, 52)
${\lambda _1} = 0.1064$
(37, 2, 41, 38)
${\lambda _1} = 0.2511$
(19, 30, 46, 52)
${\lambda _1} = 0.0950$
(15, 38, 46, 51)
${\lambda _1} = 0.1069$
(62, 14, 46, 2)
${\lambda _1} = 0.4662$
l = 5(15, 46, 38, 52, 34)
${\lambda _1} = 0.1072$
(37, 2, 41, 38, 8)
${\lambda _1} = 0.2710$
(19, 30, 46, 52, 22)
${\lambda _1} = 0.0960$
(15, 38, 46, 51, 39)
${\lambda _1} = 0.1078$
(15, 38, 52, 18, 14)
${\lambda _1} = 0.5399$


表4不同算法在Dolphin网络中的选点及${\lambda _1}({ L_{N - l}})$对比
Table4.Node-selections and the corresponding${\lambda _1}({ L_{N - l}})$under different algorithms on the dolphin network.

受控
节点数
度算法BC算法K-shell算法ESI算法本文算法
l = 2(105, 333)
${\lambda _1} = 0.0881$
(333, 105)
${\lambda _1} = 0.0881$
(299, 389)
${\lambda _1} = 0.0383$
(105, 42)
${\lambda _1} = 0.0879$
(105, 23)
${\lambda _1} = 0.0894$
l = 3(105, 333, 16)
${\lambda _1} = 0.1169$
(333, 105, 23)
${\lambda _1} = 0.1243$
(299, 389, 424)
${\lambda _1} = 0.0392$
(105, 42, 333)
${\lambda _1} = 0.1202$
(105, 333, 23)
${\lambda _1} = 0.1243$
l = 4(105, 333, 16, 23)${\lambda _1} = 0.1518$(333, 105, 23, 578)
${\lambda _1} = 0.1490$
(299, 389, 424, 552)
${\lambda _1} = 0.0494$
(105, 42, 333, 16)
${\lambda _1} = 0.1481$
(105, 333, 23, 42)
${\lambda _1} = 0.1535$
l = 5(105, 333, 16, 23, 42)
${\lambda _1} = 0.1801$
(333, 105, 23, 578, 76)
${\lambda _1} = 0.1774$
(299, 389, 424, 552, 571)
${\lambda _1} = 0.0520$
(105, 42, 333, 16, 76)
${\lambda _1} = 0.1770$
(105, 333, 23, 42, 41)
${\lambda _1} = 0.1843$


表5不同算法在Email网络中的选点及${\lambda _1}({ L_{N - l}})$对比
Table5.Node-selections and the corresponding${\lambda _1}({ L_{N - l}})$under different algorithms on the email network.

图 2 在4种不同算法下Dolphin网络的选点情况 (a)度算法选点情况; (b) BC算法选点情况; (c) ESI算法选点情况; (d)本文算法选点情况
Figure2. Visualization of nodes selections on the Dolphin network underfour strategies ($ l=5 $): (a) Using the degree-based pinning scheme; (b) using the BC-based pinning scheme; (c) using the ESI-based pinning scheme; (d) using our proposed algorithm.

图 3 在4种不同算法下Email网络的选点情况 (a) 度算法选点情况; (b) BC算法选点情况; (c) ESI算法选点情况; (d) 本文算法选点情况
Figure3. Visualization of nodes selections on the Email network under four strategies: (a) Using the degree-based pinning scheme; (b) using the BC-based pinning scheme; (c) using the ESI-based pinning scheme; (d) using our proposed algorithm.

在上述仿真中可见, 本文算法相较于其他算法, 能计算出控制节点数较少情况下(l ≤ 6)的最优控制节点集, 一定程度上填补了准确找出最优受控节点算法的空缺. 但本文算法针对控制节点较多情况, 尽管能够一定程度上缩减计算量, 但剩余计算量仍然较大, 难以直接计算.
如何确定网络的重要节点组, 这在现实应用场景中广泛存在. 前面研究的确定网络重要节点组, 实际上就是提出了一种网络节点组重要性排序方法. 文献[1]提出对于无向网络确定重要节点组由网络Laplacian删后主子矩阵的最小特征值决定; 并且导出其上下界的精细估计, 指出按度大小牵制控制并不是最优方法, 牵制控制度大还是度小的节点取决于控制节点的数目; 本文给出了一定条件下删后主子矩阵最小特征值一个优化算法.
通过下面的例1说明删后主子矩阵及其特征值蕴含了原矩阵的隐藏信息.
例1 见图4, 原网络A, B不同, 删去节点4后的网络相同, 但是删后子矩阵不同, 其特征值也不同. 网络A的删后矩阵最小特征值为1, 网络B的删后矩阵最小特征值为0.4679. 这说明了节点4在网络A中比在网络B中更重要. 在这个简单的例子中, 虽然删后网络相同, 但是删后主子矩阵特征值保留了原网络的隐藏信息.
图 4 两个网络A与B结构不同, 但删去节点4后网络相同 (a) 网络A及其Laplacian矩阵; (b) 网络A删除节点4及其Laplacian矩阵; (c) 网络B及其Laplacian矩阵; (d)网络B删除节点4及其Laplacian矩阵
Figure4. The structures of networks A and B are different, but the remaining structures are the same after deleting node 4. (a) network A and its Laplacian matrix; (b) network A deleting node 4 and its Laplacian matrix; (c) network B and its Laplacian matrix; (d) network B deleting node 4 and its Laplacian matrix.

下面给出一些例子说明删后矩阵最小特征值方法应用在节点组重要性排序上的有效性.
例2  一个简单链状网络上的分析. 见图5所列5个节点的链状网络.
图 5 链状网络节点数N = 5及其拉普拉斯矩阵
Figure5. Chain graph with N = 5 and its Laplacian matrix.

在该网络中, 对于一个节点的重要性排序, 节点1, 2, 3的${\lambda _1}({ L_{N - l}})$分别为 0.1206, 0.1981, 0.3820, 所以单个节点排序中节点3最重要, 节点2和4其次, 节点1和5最差. 对于两个节点的节点组重要性排序: 节点组(2, 4), (1, 4), (2, 5)的${\lambda _1}({ L_{N - l}}) = 1$(最重要), (1, 5)为0.5858 (其次重要), (2, 3), (1, 3), (3, 4), (3, 5)为0.3820 (较不重要), (1, 2), (4, 5)为0.1981(最不重要). 这一简单例子也说明, 单个节点排序最重要的节点不一定包含在两个节点的节点组的第一位.
例3 一根水平樑如何选择两个基点(l=2)将它吊起呢?假设樑长度为1, 然后作细等分(只要细分足够密, 离散网络的节点组排序可以逼近连续问题的基点选择), 分点视为节点, 便成为N个节点的链. 设N=82, 根据对称性, 第一个基点节点从节点1—41中选, 另一个从82—42中选. 图6刻画了${\lambda _1}({L_{N - 2}})$与所选节点位置的关系. 从图6可以看出, 当两个节点选取(21, 62)时特征值取得最大值. 当两个节点都取两端(1, 82)或中间(41, 42)时, 特征值达最小值. 也就是说对于链状图最优节点接近在1/4和3/4的位置. 例如取N = 302的链, 经计算最优节点为(76, 227), 也符合上述1/4和3/4的规律.
图 6 ${\lambda _1}({L_{N - 2}})$与左节点位置(两节点对称选取)的关系图, 这里N = 82
Figure6. The relationship of ${\lambda _1}({L_{N - 2}})$and the left node’s position, where N = 82 and the two nodes are selected symmetrically.

例4 寻找正方形网络中最重要的2个节点组成的节点组. 在正方形网格中选两个最重要的节点使得${\lambda _1}({L_{N - 2}})$最大. 图7中红色的点是计算得到的最优位置. 从图7发现, 控制节点处于对称位置, 却并不一定处于对角线上.
图 7 在正方形网格中选两个最重要的节点, 见图中红色的点 (a) 24 × 24的正方形网格; (b) 31 × 31的正方形网格; (c) 40 × 40的正方形网格; (d) 45 × 45的正方形网格
Figure7. Pinning two nodes in a square lattice. The optimal options are shown by red nodes: (a) The square with 24 × 24 nodes; (b) the square with 31 × 31 nodes; (c) the square with 40 × 40 nodes; (d) the square with 45 × 45 nodes.

接着, 在正方形网络中寻找最重要的4个节点, 发现找到的最优节点组也处于对称位置, 但多数情况都不是位于对角线上, 大正方形网络分成4个小正方形网络, 最优控制节点在4个小正方形找中心节点偏移一格的位置上, 见图8(a)图8(c)所示情形; 也有落在对角线上的情形, 见图8(b).
图 8 正方形网络选4个最重要的节点, 见图中红色的点  (a) 24 × 24正方形网格; (b) 27 × 27正方形网格; (c) 32 × 32正方形网格
Figure8. Pinning four nodes in a square lattice. The optimal options are shown by red nodes: (a) The square with 24 × 24 nodes; (b) the square with 27 × 27 nodes; (c) the square with 32 × 32 nodes.

例5 社团的重要性. 比较三个社团在网络中的重要性, 见图9, 其中红色8个节点, 蓝色7个节点, 绿色6个节点. 它们的Laplacian矩阵的删后主子矩阵最小特征值分别为0.1905, 0.1792, 0.1597, 说明红色组最重要, 其次为蓝色, 最后为绿色.
图 9 比较三个社团在网络中的重要性, 图中红蓝绿色标识了三个社团, 该图取自文献[24]
Figure9. Compare the importance of three communities in a network, in which red, blue, and green colors implicit three different communities. This network is taken from Ref. [24].

复杂网络的牵制控制优化是一个十分有意义的研究方向. 但是由于控制多个节点时的最优受控节点集的选择是一个NP-hard问题, 如何找出最优受控节点集是一个富有挑战性的问题, 本文正是基于此开展工作. 基于Laplacian删后矩阵的图谱性质, 提出了选择最优受控节点集的算法, 该算法在受控节点数较少(小于等于6)时, 能够准确地找到最优的受控节点集合. 进一步, 本文提出复杂网络节点组重要性的问题, 这与以往定义网络节点重要性不同: 本文所提出的节点组重要性, 节点的选取依赖于节点组所包含节点的数目;节点组包含节点的数目不同, 会有不同的重要节点选择方案及排序. 在以后的研究中, 我们将分析牵制控制策略及节点组重要性在多层网络[25]中的情况, 并希望进一步挖掘节点组重要性在实际网络中的应用.
相关话题/网络 控制 计算 节点 优化

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 激光诱导击穿光谱技术结合神经网络和支持向量机算法的人参产地快速识别研究
    摘要:利用激光诱导击穿光谱技术结合机器学习算法,对东北5个产地(大兴安岭、集安、恒仁、石柱、抚松)的人参进行产地识别,建立了主成分分析算法分别结合反向传播(BP)神经网络和支持向量机算法的人参产地识别模型.实验采集了5个产地人参共657组在200—975nm的激光诱导击穿光谱,经光谱数据预处理后,对 ...
    本站小编 Free考研考试 2021-12-29
  • 筒形溅射阴极的磁场优化及其高功率放电特性研究
    摘要:基于高功率脉冲磁控溅射(HiPIMS)技术开发的筒形溅射阴极,配合电磁系统可有效地提升等离子体的输运效率.然而电磁系统的引入反作用于筒内放电特性,从而使靶面放电面积和放电强度无法同时维持.鉴于此,本文通过调整磁场布局,研究了靶面切向(横向)磁场和法向(纵向)磁场对靶面放电的作用规律,优化后靶面 ...
    本站小编 Free考研考试 2021-12-29
  • ITER装置中等离子体旋转和反馈控制对电阻壁模影响的数值研究
    摘要:在托卡马克等离子体中,电阻壁模是非常重要的磁流体不稳定性,特征时间在毫秒量级.对长时间稳态运行下的先进托卡马克,电阻壁模限制着聚变装置的运行参数空间(放电时间和比压),影响经济效益,所以研究电阻壁模稳定性至关重要.本文使用MARS程序,针对ITER装置上9MA先进运行平衡位形,研究了等离子体旋 ...
    本站小编 Free考研考试 2021-12-29
  • 任意阶高运算恒定性分抗逼近电路—标度格型级联双口网络
    摘要:标度拓展经典负半阶分抗逼近电路,可实现具有任意分数阶微积算子运算功能的分抗逼近电路,但牺牲了运算恒定性.从电路网络的角度分析具有恒定运算性能的负半阶Carlson分形格分抗逼近电路.根据标度分形格分抗逼近电路的等效无源双口网络,探讨该双口网络右侧端口的运算有效性,设计具有高运算恒定性的任意阶标 ...
    本站小编 Free考研考试 2021-12-29
  • 六方氮化硼单层中一种(C<sub>N</sub>)<sub>3</sub>V<sub>B</sub>缺陷的第一性原理计算
    摘要:二维六方氮化硼(hBN)的点缺陷最近被发现可以实现室温下的单光子发射,而成为近年的研究热点.尽管其具有重要的基础和应用研究意义,hBN中发光缺陷的原子结构起源仍然存在争议.本文采用基于密度泛函理论的第一性原理计算,研究hBN单层中一种B空位附近3个N原子被C替代的缺陷(CN)3VB.在hBN的 ...
    本站小编 Free考研考试 2021-12-29
  • In掺杂<i>h</i>-LuFeO<sub>3</sub>光吸收及极化性能的第一性原理计算
    摘要:h-LuFeO3是一种窄带隙铁电半导体材料,已被证明在铁电光伏领域有较好的应用前景.然而,较低的极化强度使光生电子-空穴对复合率大,限制了h-LuFeO3基铁电光伏电池效率的提高.为改善h-LuFeO3的极化强度,提高光吸收性质,本文利用第一性原理计算方法研究了In原子在h-LuFeO3不同位 ...
    本站小编 Free考研考试 2021-12-29
  • 吉瓦级强流相对论多注电子束二极管的优化设计与实验研究
    摘要:多注相对论速调管放大器可在较高的工作频段实现GW级功率微波产生,在很多领域得到了发展和应用.多注相对论速调管中强流相对论多注电子束相互之间存在空间电磁场的作用,使得多注电子束从二极管引入多注漂移管,以及在多注漂移管中的传输运动受到影响,导致电子束会轰击到管壁上,早期实验中多注电子束的传输通过率 ...
    本站小编 Free考研考试 2021-12-29
  • 原子尺度构建二维材料的第一性原理计算研究
    摘要:随着信息技术的不断进步,核心元器件朝着运行速度更快、能耗更低、尺寸更小的方向快速发展.尺寸不断减小导致的量子尺寸效应使得材料和器件呈现出许多与传统三维体系不同的新奇物性.从原子结构出发,预测低维材料物性、精准合成、表征、调控并制造性能良好的电子器件,对未来电子器件的发展及相关应用具有至关重要的 ...
    本站小编 Free考研考试 2021-12-29
  • 二维平面和范德瓦耳斯异质结的可控制备与光电应用
    摘要:自石墨烯被发现以来,二维材料因其优异的特性获得了持续且深入的探索与发展,以石墨烯、六方氮化硼、过渡金属硫化物、黑磷等为代表的二维材料相关研究层出不穷.随着二维新材料制备与应用探索的不断发展,单一材料性能的不足逐渐凸显,研究者们开始考虑采用平面拼接和层间堆垛所产生的协同效应来弥补单一材料的不足, ...
    本站小编 Free考研考试 2021-12-29
  • 一种单相H桥光伏逆变器混沌控制方法
    摘要:比例积分调节单相H桥光伏逆变器存在复杂的分岔与混沌等非线性行为,这些非线性行为会大大增加输出电流的谐波含量,降低系统运行的稳定性与供电可靠性.现有的混沌控制方法存在建模复杂、控制系数难以确定等问题.针对于此,本文提出了一种改进指数延迟反馈控制方法.该方法首先利用系统输出电流与其自身延迟的差值形 ...
    本站小编 Free考研考试 2021-12-29